Druckansicht der Internetadresse:

Sprach- und Literaturwissenschaftliche Fakultät

Professur für Datenmodellierung und interdisziplinäre Wissensgenerierung

Seite drucken

Vorlesung Datenmodellierung und Wissensgenerierung

Die Vorlesung Datenmodellierung und Wissensgenerierung ist Teil des Zusatzstudiums Data Literacy!

Datenmodelle repräsentieren die reale Welt im Analyseprozess, sie fungieren gewissermaßen als ihr Platzhalter. Als solche erzeugen sie eine eigene Realität für die Analysen. Dabei ist die Formulierung von Datenmodellen stets bewussten und unbewussten Selektions- und Transformationsentscheidungen unterworfen. Diese Entscheidungen haben plötzlich Einfluss auf die Art und Weise, wie Algorithmen und Analysten die reale Welt begreifen und verarbeiten.
Gleichzeitig fungieren Datenmodelle als Blaupausen für eine reale Welt nach der Analyse. Schließlich werden Analyseergebnisse mit Hilfe von Datenmodellen produziert, ausgewertet und als neues Wissen kommuniziert. Die zuvor genannten Entscheidungen haben also weitreichende Implikationen für die zu erwartenden Ergebnisse und die Erkenntnisse, die aus diesen Ergebnissen gewonnen werden können.
Diese Doppelrolle der Deskription und Präskription eröffnet ein Spannungsfeld für den Analyseprozess in interdisziplinärer Forschung ebenso wie in zahlreichen Geschäftsfeldern, die sich zB des "data driven decision making" bedienen.
Erst wenn Datenmodell, Algorithmus und Ergebnisse als ganzheitliche Einheit eines Analyseprozesses betrachtet werden, kann belastbares Wissen aus Daten gewonnen werden.

In dieser Veranstaltung werden unterschiedliche Methoden zur Datenanalyse und der Wissensgenerierung vorgestellt - dazu zählen unter anderem Methoden aus dem Bereich des Machine Learning, des Data Mining, des Text Mining, der Sozialen Netzwerkanalyse und der Informationsvisualisierung. Diese Methoden, die in Wissenschaft, Wirtschaft und darüber hinaus aktuell zahlreich Anwendung finden, bringen unterschiedliche Anforderungen an die Modellierung der Daten mit sich. Diese Anforderungen werden kritisch betrachtet. Die Implikationen, die sich daraus für die erwartbaren Ergebnisse und das daraus abgeleitete Wissen ergeben, werden explizit benannt.

Inhaltliche Voraussetzungen

Interesse an computergestützten Datenanalysen; keine Scheu, beim "active learning" mitzumachen; Interesse an einer kritischen Perspektive auf Datenanalysen.

Lernziel

Die Studierenden lernen unterschiedliche Methoden zur Datenanalyse und Wissensgenerierung kennen - dazu zählen unter anderem Methoden aus dem Bereich des Machine Learning, des Data Mining, des Text Mining, der Sozialen Netzwerkanalyse und der Informationsvisualisierung.
Die Studierenden machen sich die Anforderungen an die benötigten Datenmodelle bewusst, die die unterschiedlichen Analysemethoden mit sich bringen.
Die Studierenden verstehen, Datenanalysen kritisch zu hinterfragen, die impliziten Modellierungsentscheidungen konkret zu benennen und Analyseergebnisse stets vor dem Hintergrund dieser Entscheidungen zu bewerten.

Mehr Informationen

Vorlesungsfolien, Materialien und weitere Details finden sich auf https://mircoschoenfeld.de/lecture-data-modeling-and-knowledge-generation-winter-202021.html


Verantwortlich für die Redaktion: Juniorprofessor Mirco Schönfeld

Facebook Twitter Youtube-Kanal Instagram LinkedIn Blog UBT-A Kontakt